基于改进YOLOv8n的林草火灾检测算法

摘要

在林草火灾场景中，明火形态的多样性以及环境的复杂性可能导致误检或漏检的现象发生，为此，针对森林与草原火灾提出一种基于改进的YOLOv8n火灾检测算法（YOLOv8n-CSA）,CSA(channel-spatial attention)为通道-空间注意力模块，引入分组混洗卷积模块（group shuffle convolution,GSConv）替换原YOLOv8n中第3层标准卷积模块（convolution,Conv），降低模型计算量，提高特征提取能力。并且在head中引入Slim-Neck结构进一步降低模型计算量。同时设计YOLOv8n-CSA融入Backbone部分，以增强输入特征图的表达能力。该模块结合通道注意力、通道洗牌和空间注意力机制，旨在捕捉特征图中的全局依赖关系。基于林草火灾数据集，在未导入预训练模型的情况下，提出的火灾检测网络模型在测试的数据集上相比原模型YOLOv8n，其精确率（Precision）提高了3.7%、召回率（Recall）提高了1.51%、平均精度均值（mAP50）提高了3.24%、计算复杂度（GFLOPs）下降5.62%。试验结果表明，该算法验证计算量减少的同时，能够提升火灾迹象目标的检测性能。

关键词

火灾检测 / YOLOv8 / 通道空间注意力 / Slim-Neck结构 / 分组混洗卷积模块GSConv